Das revolutionäre Merkmal des Tools ist seine natürlichsprachliche interaktive Schnittstelle, die es dem Nutzer ermöglicht, die Merkmale des zu erkennenden Objekts in Alltagssprache zu beschreiben. Gibt man beispielsweise ein: "Erkenne Männer mit Sonnenbrillen" oder "Finde alle roten Transportfahrzeuge", versteht das System den semantischen Kontext und liefert genaue Ergebnisse. Diese Art der Interaktion durchbricht die traditionelle Abhängigkeit der Computer Vision von professionell gelabelten Daten und macht es auch technisch nicht versierten Personen leicht, die KI-Funktionen zu nutzen.
Die Schlüsseltechnologie, mit der dieser Durchbruch erzielt wurde, besteht aus zwei Aspekten: einem tiefgreifenden Verständnis der visuell-verbalen Assoziationen auf der Grundlage eines groß angelegten multimodalen, vortrainierten Modells und einer Inferenzarchitektur, die für Aufgaben der Zielerkennung optimiert wurde. Das System analysiert automatisch die wichtigsten visuellen Merkmale bei der Verarbeitung von Stichwörtern und berücksichtigt dabei den Kontext der Szene. Dank dieser fortschrittlichen Inferenzfähigkeit kann es komplexe Befehle wie "Erkenne die Person, die im Konferenzraum spricht" verarbeiten.
Tests in der Praxis zeigen, dass das System selbst bei Aufgaben wie "Finde alle kaputten Kisten", die eine Qualitätsbeurteilung erfordern, eine marktübliche Genauigkeit erreicht. Diese Verallgemeinerungsfähigkeit ergibt sich aus dem gesunden Menschenverstand, den das Modell durch das Training mit Hunderten von Millionen von Bildern erworben hat, und ist nicht mehr durch die Einschränkungen der bereichsspezifischen Datensätze begrenzt.
Diese Antwort stammt aus dem ArtikelAgentische Objekterkennung: ein Werkzeug zur visuellen Objekterkennung ohne Annotation und TrainingDie
